-
公开(公告)号：CN111523134B
公开(公告)日：2020-11-03
申请号：CN202010630881.0
申请日：2020-07-03
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书的实施例提供用于经由第一和第二数据拥有方协同训练逻辑回归模型的方法。第一和第二数据拥有方具有的数据按照垂直切分方式组成逻辑回归模型的训练样本，第一和第二数据拥有方具有的模型按照垂直切分方式组成逻辑回归模型。各个数据拥有方共享各自的公钥，使用各自的模型和数据确定各自的预测值，并且使用第一数据拥有方的公钥进行预测值加密。第二数据拥有方根据各个数据拥有方的加密预测值，确定逻辑回归模型的第一加密预测差值以及第一加密梯度信息。第一和第二数据拥有方利用第一加密预测差值和第一加密梯度信息，使用同态加密算法确定第一和第二数据拥有方处的梯度信息。各个数据拥有方分别使用各自的梯度信息更新各自的模型。
-
公开(公告)号：CN111783130A
公开(公告)日：2020-10-16
申请号：CN202010919436.6
申请日：2020-09-04
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书提供一种隐私保护的数据处理方法、装置及服务器。一个方法实施例中，将秘密分享中的加法分片转化成乘法分片，进而可在基于隐私保护的浮点数平方根倒数算法中引入快速平方根算法的高精度初始化，从而减少后续基于隐私保护的牛顿法的迭代次数，在保护用户隐私的同时提高了算法效率，提高了计算设备的处理性能。
-
公开(公告)号：CN111738438A
公开(公告)日：2020-10-02
申请号：CN202010691847.4
申请日：2020-07-17
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06N3/08
Abstract: 本说明书实施例提供图神经网络模型训练方法及装置。图神经网络模型包括位于各个第一成员设备的节点特征向量表示子模型和归一化子模型以及位于第二成员设备的判别模型，各个第一成员设备的私有数据是非独立同分布数据。各个第一成员设备的节点特征向量表示子模型的模型结构根据各自数据的数据分布特征确定。各个第一成员设备使用节点特征向量表示子模型和归一化子模型得到归一化特征向量表示，利用从第二成员设备获取的判别模型得到预测标签值并确定出损失函数。各个第一成员设备基于损失函数，确定判别模型的模型更新量并更新节点特征向量表示子模型和归一化子模型。第二成员设备使用源于各个第一成员设备的判别模型的模型更新量更新判别模型。
-
公开(公告)号：CN111680676A
公开(公告)日：2020-09-18
申请号：CN202010820143.2
申请日：2020-08-14
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种训练人脸识别模型、图像注册、人脸识别方法和装置，用于防止隐私泄露。方法包括：终端设备将人脸训练图像输入第一子模型，得到初始隐层特征；利用第一公钥对初始隐层特征进行同态加密得到加密隐层特征；向服务器发送加密隐层特征和第一公钥；服务器基于加密隐层特征和第二子模型，得到第一加密输出特征；从服务器接收第一加密输出特征；利用第一私钥对第一加密输出特征解密，得到第一解密输出特征；向服务器发送第一解密输出特征，服务器根据第一解密输出特征和人脸训练图像的标签，更新第二子模型，确定反向传播到第一子模型的梯度；从服务器接收梯度，根据梯度更新第一子模型。能够提高人脸识别的安全性。
-
公开(公告)号：CN111291417B
公开(公告)日：2020-08-28
申请号：CN202010384206.4
申请日：2020-05-09
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06F21/62 , G06F16/9535
Abstract: 本说明书实施例提供一种保护数据隐私的多方联合训练对象推荐模型的方法，其中多方为N方，共同维护M个用户对P个对象的总评分矩阵。该方法由N方中任意的第k方执行，包括：先通过秘密分享，获取以下矩阵分片：该总评分矩阵的第k评分矩阵分片、初始化的该P个对象的对象特征矩阵的第k对象矩阵分片和初始化的该M个用户的用户特征矩阵的第k用户矩阵分片；再执行多次迭代更新，具体地，基于上述矩阵分片，通过与其他N‑1方进行秘密分享矩阵运算，得到对象更新梯度和用户更新梯度的第k分片，进而更新第k对象矩阵分片和第k用户矩阵分片。如此在多次迭代更新结束后，N方各自交换更新后的矩阵分片，进行矩阵重构，进而建立各自的对象推荐模型。
-
Patent Agency Ranking
公开(公告)号：CN111400766A
公开(公告)日：2020-07-10
申请号：CN202010220436.7
申请日：2020-03-25
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种针对隐私数据进行多方联合降维的方法和装置。其中多方中的各个数据持有方，对其本地拥有的隐私数据矩阵进行转置相乘运算，得到乘积矩阵后，使用第三方的公钥对乘积矩阵进行同态加密，然后，汇总到某个运算平台中进行同态加和操作，将同态加和结果发至第三方。第三方对同态加和结果解密，可得到主成分分析所需的协方差矩阵，进而确定出降维变换矩阵，广播给各个持有方。于是，各个持有方可以利用该降维变换矩阵进行降维处理。通过这样的方式，确保了各个持有方中隐私数据的安全。
-
公开(公告)号：CN111178549B
公开(公告)日：2020-07-07
申请号：CN202010276696.6
申请日：2020-04-10
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种保护数据隐私的双方联合训练业务预测模型的方法和装置，其中双方各自拥有一部分特征数据。在模型迭代过程中，双方通过安全矩阵乘法，得到总的特征矩阵X与总的参数矩阵W的乘积结果的两个乘积分片。拥有标签的第二方对标签向量Y进行秘密分享，使双方得到两个标签分片。于是，双方各自根据持有的乘积分片和标签分片计算出对应的误差分片。然后双方基于各自的误差分片和特征矩阵，通过秘密分享和安全矩阵乘法，得到对应的梯度分片。然后，第一方利用其梯度分片更新其维护的参数分片，第二方利用其梯度分片更新其维护的参数分片。如此实现保护数据隐私的安全联合训练。
-
公开(公告)号：CN111162896B
公开(公告)日：2020-06-26
申请号：CN202010252277.9
申请日：2020-04-01
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种保护数据隐私的双方联合进行数据处理的方法和装置，其中双方各自维护有隐私数据构成的原始矩阵。根据该方法，由两方中矩阵维度较小的一方对其矩阵进行同态加密，将加密后的矩阵发送给另一方。另一方用其自身的原始矩阵，对该加密矩阵进行同态加和运算，得到加密综合矩阵。该加密综合矩阵相当于对乘法矩阵加密后的矩阵。然后，双方针对加密综合矩阵进行同态加密下的秘密分享，最终各自得到一个矩阵分片，使得分片之和为乘法矩阵，从而实现双方的安全矩阵运算。
-
公开(公告)号：CN111160573A
公开(公告)日：2020-05-15
申请号：CN202010251506.5
申请日：2020-04-01
Applicant: 支付宝(杭州)信息技术有限公司
Abstract: 本说明书实施例提供一种保护数据隐私的双方联合训练业务预测模型的方法和装置，其中双方各自拥有一部分特征数据。在模型迭代过程中，双方通过安全矩阵乘法，得到总的特征矩阵X与总的参数矩阵W的乘积结果的加密分片。由拥有标签的第二方汇总这两个加密分片，得到加密的乘积结果Z。第二方基于该乘积结果Z与加密的标签Y，得到加密的误差E，并对其进行同态加密下的秘密分享。于是，双方各自得到误差分片。然后双方基于误差分片和各自的特征矩阵，通过秘密分享和安全矩阵乘法，得到对应的梯度分片。然后，第一方利用其梯度分片更新其维护的参数分片，第二方利用其梯度分片更新其维护的参数分片。如此实现保护数据隐私的安全联合训练。
-
公开(公告)号：CN111144976A
公开(公告)日：2020-05-12
申请号：CN201911258582.2
申请日：2019-12-10
Applicant: 支付宝(杭州)信息技术有限公司
IPC: G06Q30/06 , G06F16/9535 , G06N20/00
Abstract: 本公开提供了推荐模型的训练方法及装置，方法包括：基于用户针对推荐对象的历史行为信息，确定用于指示用户和推荐对象的关联关系的网络关系图；基于网络关系图，确定网络关系图中每个用户和每个推荐对象的表示向量；基于所确定出的表示向量，确定推荐模型的模型参数初始值；以及使用训练样本，对推荐模型进行训练。在该方法中，用户的历史行为信息可能包括用户的隐私信息，该方法可以采用用户公开的非隐私的历史行为信息来实现，以保护用户隐私。
-
-
-
-
-
-
-
-
-
Search Results
222
records
(took 0.04 seconds)
